![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 83
晨凫追风
哎呀,要好好学习呀
展开
-
libSVM笔记之(一)在matlab环境下安装配置libSVM
台湾林智仁教授提供的开源的SVM处理工具箱 libsvmsvm工具箱的下载地址: http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 配置matlab1、设置路径(搜索路径) 把该工具箱的库包含到matlab的函数搜索路径中去 2、下载选择编译器(C++)【mex -setup】 matlab自带了C编译器Lcc原创 2016-08-21 17:53:08 · 701 阅读 · 0 评论 -
Libsvm的一些说明帮助吧
欢迎关注我的博客晨凫追风,转载请注明出处http://blog.csdn.net/hit2015spring hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}这是一篇翻译文章吧,主要是对libsvm里面所带的一些函数进行说明。 下载完libsvm的包,解压缩之后,主要就是一个readme文件,这个文件说明的了这个包该如何使用,还有一个Makefile文件,这翻译 2017-06-04 17:39:07 · 2805 阅读 · 2 评论 -
Caffe和MATLAB
这篇总结是对前面的一个补课吧,caffe配matlab,包括ubuntu下面matlab2016b的破解安装,其实我这是想跑一个demo看看效果而已。OK先安装matlab安装matlab2016b1准备文件首先要下载matlab2016b的文件包,网上都有吧!给个链接 :28ge下载LINUX里面的三个文件,R2016b_glnxa64_dvd1.iso、R2016b_gl原创 2017-05-10 16:44:01 · 979 阅读 · 1 评论 -
英伟达jetson TX1的caffe-ssd配置
本文主要介绍,英伟达超级计算模块jetson tx1的刷机过程及其配置caffe的教程刷Jetpack包首先是刷英伟达官网提供的Jetpack2.3,该包的具体介绍见:https://developer.nvidia.com/embedded/jetpack 首先看所需要的一些硬件:一个装有ubuntu14.04的host(官网要求host必须是14.04系统)Usb hub(原创 2016-12-22 18:05:45 · 5787 阅读 · 12 评论 -
Ubuntu16.04 +cuda8.0+cudnn+opencv+caffe+theano+tensorflow配置明细
安装英伟达显卡驱动首先去官网上查看适合你GPU的驱动(http://www.nvidia.com/Download/index.aspx?lang=en-us) sudo add-apt-repository ppa:graphics-drivers/ppasudo apt-get updatesudo apt-get install nvidia-375(375是你查到的原创 2016-12-07 21:54:34 · 5253 阅读 · 6 评论 -
朴素贝叶斯
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring贝叶斯与条件概率学习一个分类器主要是对一个损失函数进行优化,使得损失函数最小,这时候得到的分类器对问题的判断就会比较nice。用贝叶斯分类器,就是要建立一个基于概率发生的条件下进行判断的一个基本方法。贝叶斯分类的思想是基于概率统计原创 2017-07-05 19:21:55 · 1736 阅读 · 0 评论 -
极大似然法估计
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring举个例子: 张无忌和宋青书分别给周芷若送一个糖果,周芷若最后只接受一个糖果,问周芷若接受了谁的糖果。大部分的人肯定会说,当然是张无忌了。 这里面就蕴含了极大似然的思想。因为周芷若接受张无忌的概率大于宋青书呀,而故事的最后周芷若原创 2017-06-26 10:19:50 · 731 阅读 · 1 评论 -
概率论的一些基本问题
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring条件概率设AA和BB是任意两个事件,且P(B)>0P(B)>0,则称P(AB)P(B)\frac {P(AB)}{P(B)}为事件AA在事件BB发生的条件下发生的条件概率。记作: P(A|B)=P(AB)P(B)\begin{e原创 2017-06-25 17:53:25 · 2775 阅读 · 0 评论 -
KKT条件和拉格朗日乘子法
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风},转载请注明出处华为面试的时候,部长先生问了这个问题,于是就回来看了一下,补补课,平常学的有点水货,哈哈!希望有帮助!如果你从头到尾拿出笔来写下这里面的公式,我觉得肯定能看懂!最优化问题的最优性条件,最优化问题的解的必要条件和充分条件无约束问题的解的必要条件f(x)f(x)在xx处的梯度向量是0有约束问题的最优性条原创 2017-06-09 10:26:02 · 4746 阅读 · 0 评论 -
NASA PHM数据集相关
做数据挖掘的朋友们都知道,数据是研究的基本,获得一份有权威的原始数据是科学实验成功的前提。而NASA作为世界顶端的机构,他们的数据用来做PHM的研究所得出的结果肯定是具有非凡的说服力度的,在这里有想跟大家交流一下下喽!这里的15个数据集:1、Algae Raceway Data Set(滚道数据集)数据描述:Experiments were conducted on 3 small...原创 2017-12-25 23:52:31 · 21950 阅读 · 7 评论 -
LDA线性判别分析
hit2015spring晨凫追风\frac {hit2015spring}{晨凫追风}给定训练集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能的近,异类样例点尽可能的远,对新样本进行分类的时候,将新样本同样的投影,再根据投影得到的位置进行判断,这个新样本的类别 二分类: 给定数据集D=(xi,yi)mi=1,yi∈0,1D={( x_i,y_i)}_{i=1}^m , y_i \原创 2017-06-07 18:58:14 · 585 阅读 · 0 评论 -
SVMtrain的参数c和g的优化
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}在svm训练过程中,需要对惩罚参数c和核函数的参数g进行优化,选取最好的参数知道测试集标签的情况下 是让两个参数c和g在某一范围内取离散值,然后,取测试集分类准确率最佳的参数不知道测试集标签的情况下(1)利用交叉验证的方法:(k-fold cross validation)StartbestAccuracy =原创 2017-06-07 18:51:43 · 9708 阅读 · 3 评论 -
SVM中的核函数
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring在训练样本是线性可分的情况下,这时候直接用原始属性就能把这些特征区分开来。但是有一部分的属性就是无法在其现有属性的基础上分开,于是就要把这些属性通过ϕ(x)\phi(x)映射到一些高维的特征空间中,“横看成岭侧成峰”嘛,原始的xx原创 2017-06-17 11:28:44 · 1896 阅读 · 0 评论 -
ALEX net 解读
在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用,就逃不开研究alexnet,这是CNN在图像分类上的经典模型(DL火起来之后)。在DL开源实现caffe的model样例中,它也给出了alexnet的复现,具体网络配置文件如下https://github.com/BVLC/caf转载 2016-12-14 23:32:21 · 722 阅读 · 0 评论 -
alexnet 论文翻译
ImageNet Classification with Deep Convolutional Neural NetworksAlex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton摘要我们训练了一个大型的深度卷积神经网络,来将在ImageNet LSVRC-2010大赛中的120万张高清图像分为1000个不同的类别。对测试数据转载 2016-12-14 23:24:00 · 4536 阅读 · 2 评论 -
Caffe学习笔记4图像特征进行可视化
Caffe学习笔记4图像特征进行可视化本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/ 这篇文章主要参考的是http://nbviewer.jupyter.org/github/B原创 2016-12-09 18:29:48 · 1723 阅读 · 0 评论 -
Caffe学习笔记3——制作并训练自己的数据集
Caffe学习笔记3本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqinghttp://caffe.berkeleyvision.org/gathered/examples/feature_extrac原创 2016-12-07 22:25:51 · 2255 阅读 · 1 评论 -
Caffe 学习笔记1
Caffe 学习笔记1本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing 这篇博客是caffe官网的一片例程吧,只是熟悉一下操作而已http://caffe.berkeleyvision原创 2016-12-07 21:05:27 · 540 阅读 · 0 评论 -
Caffe学习笔记2
Caffe学习笔记2-用一个预训练模型提取特征本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqinghttp://caffe.berkeleyvision.org/gathered/examples/f原创 2016-12-07 21:10:59 · 490 阅读 · 0 评论 -
K-means 算法
前期预备知识在无监督的算法中,训练样本的标记信息是未知的,目标是通过对训练样本学习来揭示数据的内在性质和规律。聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个簇,就是一堆不知道标签的数据样本,这些样本中每一个都包含着一个nn维特征向量xi=(xi1,xi2,⋯,xin)x_i=(x_{i1},x_{i2},\cdots,x_{in}), 就是描述一个事物它具有n个特征,这些特原创 2017-07-19 13:36:36 · 5289 阅读 · 1 评论 -
SVM 透彻理解与分析
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring支持向量机问题 问题先按照几何间隔最大化的原则引出他的问题为minw,b12∥w∥2\min\limits_{w,b}\qquad \frac 1 2 \|w\|^2 s.t.yi(wTxi+b)⩾1,i=1,2,⋯,ms.原创 2017-06-11 21:59:24 · 8734 阅读 · 0 评论 -
从二分类到多分类的迁移策略
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}一般情况下问题研究为二分类问题,在解决多分类问题时有时可以直接推广到多分类,有时不能,不能推广的时候主要用三种拆分策略对问题进行研究一对一的策略给定数据集DD这里有NN个类别,这种情况下就是将这些类别两两配对,从而产生N(N−1)2\frac{N(N-1)}{2}个二分类任务,在测试的时候把样本交给这些分类器,然后原创 2017-06-07 18:54:29 · 5600 阅读 · 0 评论 -
k近邻算法与kd树的创建和搜索
hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015springk近邻算法是一种常用的监督学习的方法:给定测试样本,基于某种距离度量找出训练集中与其最靠近的k个训练样本,然后基于k个邻居的信息来进行预测。通常:分类任务中用投票,选择k个样本中出现最多的类别标记作为预测结果回归任务中:平均法原创 2017-07-19 17:27:25 · 17033 阅读 · 1 评论 -
英伟达jetson tx1开发套件配置tensorflow
英伟达jetson tx1开发套件配置tensorflow本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/ Jetson tx1本身具有的内存和存储容量是比较小的,而且它是基于ARM架构的c原创 2017-03-15 10:58:57 · 11048 阅读 · 9 评论